Статья написана по результатам встреч с представителями разных подразделений китайских недропользователей CNPC, Sinopec, CNOOC, а также крупных нефтесервисных компаний AntonOIL, Kerui и Jereh на конференции CIPPE в Пекине в марте 2024. В материале анализируется применение технологий ИИ в нефтегазовой промышленности Китая в областях каротажа, геофизической разведки, бурении и заканчивании скважин, разработке месторождений, наземной инфраструктуре.
В практическом применении технологий ИИ наиболее далеко продвинулась Китайская национальная нефтегазовая корпорация (CNPC). В партнерстве с компанией Huawei CNPC создала платформу когнитивных вычислений E8, которая использует такие технологии искусственного интеллекта, как графы знаний, обработка естественного языка и машинное обучение для создания, расчета и применения систем знаний. Это обеспечивает интеллектуальные методы анализа для исследований в области разведки и добычи нефти и газа, а также управления производством. Платформа помогает расширить доступ к запасам углеводородов и одновременно снизить затраты. С помощью платформы менеджмент может использовать результаты, полученные на основе обработки массивов данных, для принятия более быстрых и обоснованных решений. CNPC развернула пилотные проекты по применению платформы в Дагане, Дацин, Чанцин и других нефтяных месторождениях.
Платформа когнитивных вычислений CNPC — это общая, открытая и масштабируемая вычислительная платформа ИИ. Она разработана на основе четырех ключевых факторов: данных, алгоритмов, вычислительной мощности и сценариев. Предоставляет универсальную среду для разработки ИИ, начиная с обработки данных, машинного обучения, выпуска моделей и заканчивая применением выводов. Платформа включает пять модулей: обработка данных и анализ характеристик, обработка естественного языка и построение графов знаний, 120 интеллектуальных алгоритмов и визуальных конвейеров машинного обучения, а также открытый супермаркет интеллектуальных сервисов. Платформа предоставляет пользователям 35 общих интеллектуальных сервисов и высокопроизводительные вычислительные мощности, включая интеллектуальные вопросы и ответы, поиск знаний, рекомендации и генерацию текстов.
Китайская корпорация Sinopec, специализирующаяся на добыче газа и нефтепереработке, начала развитие в области ИИ в 2012 году. Корпорация создала платформу Oilfield Smart Cloud Industrial Internet Platform, которая глубоко интегрировала новое поколение ИТ и корпоративные бизнесы, способствуя модернизации и цифровизации предприятий.
В марте 2020 года Китайская национальная морская нефтяная корпорация China National Offshore Oil Corporation (CNOOC) официально опубликовала план цифрового преобразования CNOOC, имеющий целью создание интеллектуальной нефтепромысловой технологической платформы для формирования интеллектуальных месторождений и достижения управления данными для разведки и разработки.
При этом, в отличие от компании CNPC, которая заявляла на выставке CIPPE 2024 уже реализованные продукты применения ИИ в области видеоаналитики и работы с интерпретацией геологических данных, компании Sinopec и CNOOC пока не демонстрируют рынку практические проекты.
Применение искусственного интеллекта в разведке и разработке нефтяных месторождений
С момента своего появления в 1927 году технология каротажа за более чем 90 лет прошла путь развития от аналогового каротажа, цифрового каротажа, прямого цифрового каротажа до визуальной регистрации и в настоящее время вступает в эру интеллектуального протоколирования.
СБОР КАРОТАЖНЫХ ДАННЫХ
В Китае CNPC совместно с Министерством по науке и технологиям системно работает над созданием технологий, связанных с объединением оборудования в единый сетевой контур, интеллектуальными лебедками для точного позиционирования приборов и обеспечения непрерывного потока данных в реальном времени, дистанционного каротажа и т. д., применяя предварительные достижения в небольших масштабах. Также задекларированы исследования и разработки интеллектуальных скважинных роботов выполнения внутрискважинных операций.
ОБРАБОТКА И ИНТЕРПРЕТАЦИЯ СКВАЖИННЫХ ДАННЫХ
Каротажные данные характеризуются большим объемом и разнородностью источников. Это ставит перед специалистами по интерпретации многочисленные трудности, такие как множество решений и неопределенность, что усложняет задачу выявления продуктивных пластов. Как следствие, возникает острая необходимость использовать преимущества искусственного интеллекта и других технологий, чтобы повысить эффективность работы и увеличить производительность, а также скорость совпадения результатов. В последние годы применение искусственного интеллекта в интерпретации каротажа в основном сосредоточено на автоматической коррекции глубины и генерации отчетов, интеллектуальной стратификации, реконструкции кривых структурирования, идентификации литологии, визуализации каротажных интерпретаций, оценке параметров пласта и нефтегазового потенциала, прогнозировании скорости сдвиговых волн, а также идентификации положения и геометрии трещин гидроразрыва пласта и песка (в отличие от России, в качестве расклинивающего агента ГРП в Китае применяют песок).
Функция интеллектуальной реконструкции данных использует методы глубокого обучения, корреляционный анализ и другие алгоритмы для поиска взаимосвязей между различными каротажными кривыми и обнаружения потенциальных ошибок интерпретации, а также отсутствующие части каротажных кривых.
Используемые алгоритмы искусственного интеллекта включают нейронную сеть, алгоритм комбинаторного обучения, алгоритм кластеризации и др.
На синтетических данных опробован метод для восстановления кривой каротажа на основе рекуррентной нейронной сети (RNN), а именно долгосрочной и краткосрочной памяти нейронной сети (LSTM). После проверки на реальных кривых каротажа было обнаружено, что данный метод является очень точным.
Существует два подхода к определению литологии:
1) отбор керна и использование анализа образцов керна для определения литологии;
2) определение литологии по кривым каротажа. Что касается первого подхода, то с постоянным развитием сканирующего оборудования/инструментария огромное количество изображений керна, таких как фотографии тонких срезов, КТ-изображения и SEM-изображения, были накоплены в секторе разведки и разработки.
В настоящее время в Китае в секторе геологоразведки и разработки существует много программных пакетов для анализа изображений керна, способных автоматически идентифицировать литологию. Однако, будучи основанными на алгоритме обработки изображений, они зависят от большого количества взаимодействий между человеком и компьютером и достаточно требовательны к профессиональному опыту. Большинство широко используемых методов идентификации тонких срезов полагаются на ручную идентификацию, и уровень интеллектуализации низкий. Применение технологии глубокого обучения в обработке изображений керна в Китае еще не реализовано.
Что касается второго подхода, то данные, обработанные и интерпретированные профессионалами, берутся в качестве обучающих образцов, и строится интеллектуальная модель идентификации литологии. Модель на основе каротажных кривых строится с помощью алгоритма искусственного интеллекта.
В исследовательском институте PetroChina Research Institute of Petroleum Exploration & Development построили модель прогнозирования литологии с помощью Boosting Tree, Decision Tree, Support Vector Machine и других алгоритмов, а в качестве обучающих образцов взяли данные каротажа, интерпретированные профессионалами.
Если за эталон брать литологию, полученную в результате газового каротажа, точность прогноза составит более 80%. Каротаж с визуализацией преобразует исходные каротажные кривые в визуальные изображения, отражающие геологические характеристики с помощью принципа калибровки цветности. Ведутся работы по использованию глубокого обучения для обработки изображений для реализации автоматической интерпретации каротажных изображений.
В целом, резюмируя декларативную и фактическую информацию, можно заключить, что исследования искусственного интеллекта в области обработки и интерпретации каротажных изображений находятся в зачаточном состоянии и пока не имеют практического применения на китайских месторождениях.
ИНТЕГРИРОВАННОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ
В Китае разработаны платформенные приложения, такие как CNPC Dream Cloud Collaboration Platform, интегрированное программное обеспечение LEAD для обработки и интерпретации каротажа, а также новое поколение многоскважинной оценки пласта CIFlog. Находятся в стадии разработки методики использования ИИ в описании и моделировании пластов и интерпретации результатов каротажа в масштабе множества скважин в секторе месторождения и системы геонавигации для горизонтального бурения.
ГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ
С постоянным развитием облачных вычислений, искусственного интеллекта, робототехники, коммуникационных и других технологий геофизическая съемка перешла на интеллектуальную стадию из цифровой, характеризующуюся неиндуктивной оцифровкой, автоматизацией с высокой степенью замкнутости, «роботизацией» основного оборудования, интегрированными процессами работы, прогнозированием производственных показателей и некоторыми возможностями вычислений на основе больших данных.
Для геофизических исследований переход от традиционных сейсмических бригад в цифровые становится реальностью. В китайских сейсмических бригадах применяются такие ИТ-технологии, как Интернет вещей и облачных вычислений, интегрируемых с геофизическими методами сбора данных, что позволяет осуществлять беспроводное и визуальное цифровое управление полевыми задачами, персоналом, оборудованием и HSE, оптимизировать рабочие процедуры, а также реализовать интеллектуальное стимулирование контроля качества в режиме реального времени и дистанционной технической поддержки командования и диспетчеризации.
ОБРАБОТКА И ИНТЕРПРЕТАЦИЯ СЕЙСМИЧЕСКИХ ДАННЫХ
Для обработки и интерпретации сейсмических данных в основном применяются технологии ИИ в таких аспектах, как интерпретация сейсмических структур (включая идентификацию разломов, интерпретацию горизонтов, определение вершины и определение дна купола), подавление шума/усиление сигнала, идентификация сейсмических фаз, оценка параметров пласта, моделирование сейсмических волновых полей, сейсмическая инверсия, выделение и моделирование сейсмических скоростей, выделение первого разрыва, реконструкция и интерполяция сейсмических данных, сейсмический анализ атрибутов, анализ микросейсмических данных, многофакторная интерпретация и т. д.
Используются такие технологии, как обнаружение целей, сегментация, классификация изображений и прогнозирование, относящиеся к категории компьютерного зрения. Применение технологий искусственного интеллекта значительно повышает эффективность обработки и интерпретации сейсмических данных на основе гарантии точности.
В последние годы автоматическое распознавание дефектов на основе глубокого обучения постепенно становится типичным приложением. Китайские ученые используют сверточную нейронную сеть для обучения на синтетическом или реальном наборе сейсмических данных или на реальных сейсмических данных, строят интеллектуальные модели распознавания разломов и автоматического определения вероятности существования и угла наклона разломов. Китайско-американская команда из Bereau of Economic Geology разработала конволюционную нейросетевую модель, которая может выполнять обнаружение разломов и оценку угла наклона одновременно. Для обучения сети используются тысячи трехмерных синтетических шумовых сейсмических изображений и соответствующих им изображений разломов, чистых сейсмических изображений и нормальных сейсмических векторов, сгенерированных автоматически. Несколько примеров применения показали, что сеть превосходит традиционный метод в обнаружении разломов и расчете наклона отражений. В настоящее время проводится все больше исследований по распознаванию сейсмических фаций на основе глубокого обучения.
С развитием технологий искусственного интеллекта, таких как машинное обучение, китайские исследователи напрямую применяют конволюционные нейронные сети (CNN), рекуррентные нейронные сети (RNN), вероятностные нейронные сети (PNN), глубокие нейронные сети (DNN), Генеративно-состязательная сеть (GAN) для классификации и распознавания форм сейсмических волн.
БУРЕНИЕ И ЗАКАНЧИВАНИЕ СКВАЖИН
Пройдя путь от концепций и экспериментов к науке и автоматике, была создана технологическая система для бурового инжиниринга, которая принимает технологические принципы и методы в качестве руководства, а оборудование, инструменты и материалы — в качестве средств.
Интеллектуальные системы бурения и заканчивания используют программную систему как связующее звено, опираясь на поверхностное оборудование и скважинные инструменты, интегрированные в замкнутую систему с расчетной моделью и интеллектуальной технологией принятия решений.
Скважинные интеллектуальные инструменты — это в основном буровые долота и бурильные трубы со встроенными чипами, а также система RSS; поверхностное оборудование — это буровые напольные роботы с промышленной системой управления, автоматические механизмы управления отключением, автоматические механизмы подачи долот и другие. В качестве связующего звена служит программное обеспечение, которое объединяет их в единое целое и реализует эффективное и автоматическое бурение скважин в зависимости от геологических условий, обеспечивая тем самым максимальную производительность. В Китае эта технология находится на ранней стадии исследований и разработок отдельных технологий, не выходя в периметр промышленного применения.
По словам специалистов R&D подразделения CNPC, с которыми автор общался на конференции CIPPE 2024 в Китае, пока не преодолен большой разрыв между западным и китайским уровнем общей автоматизации и уровнем оснащения оборудования и инструментов системами телеметрии и контроля.
ИНТЕЛЛЕКТУАЛЬНОЕ ОБОРУДОВАНИЕ ДЛЯ БУРЕНИЯ И ЗАКАНЧИВАНИЯ СКВАЖИН
Существует несколько моделей автоматических буровых установок, произведенных в Китае, которые реализуют автоматическое управление колоннами труб. Однако, надежность и эффективность датчиков в определении некоторых сценариев, а также точность предупреждения и диагностики оборудования в режиме онлайн, еще предстоит улучшать. В марте 2024 на CIPPE в Пекине CNPC заключило крупные договора со своим производственным подразделением на поставку для китайского рынка 200 буровых установок с высокой степенью автоматизации.
Что касается скважинных инструментов, то M (L)WD и другие инструменты — в основном китайского производства. При этом китайские производители ведут работы по усовершенствованию возможностей комплексного зондирования, а также точности и ускорению геонавигации.
ИНТЕЛЛЕКТУАЛЬНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ БУРЕНИЯ И ЗАКАНЧИВАНИЯ СКВАЖИН
Основываясь на огромном количестве данных о бурении и заканчивании скважин (D&C), западные компании внедрили машинное обучение, большие данные, облачные вычисления и другие современные технологии, чтобы разработать методы прогнозирования скважинной среды и технической системы для определения механических характеристик пласта. Платформы Halliburton Well Construction Project 4.0, DELFI от Шлюмберже и IDW компании ConocoPhillips позволяют сократить время работы буровой установки, оптимизировать конструкцию заканчивания скважин.
В Китае исследования и разработки в области интеллектуального программного обеспечения для бурения и ремонта скважин еще не получили широкого распространения, однако, страна обладает своим ПО в области проектирования, мониторинга и оптимизации процессов бурения и заканчивания. При этом форматы данных не унифицированы, обмен и загрузка информации не отработана, степень схождения результатов расчета физической модели и применения машинного алгоритма недостаточно высока. Таким образом, можно констатировать некоторое отставание Китая в этой области от мировых образцов.
РАЗРАБОТКА КОЛЛЕКТОРОВ
Основной задачей разработки пластов является изучение фильтрационных потоков в пласте и механизма вытеснения нефти, газа и воды в процессе разработки пласта на основе механики жидкости в пористых средах и петрофизики, чтобы принимать соответствующие инженерные меры для увеличения темпов добычи и КИН. В эпоху Индустрии 4.0 интеллектуальная разработка пласта стала неизбежной тенденцией, основной принцип которой заключается в полном понимании пласта и законов, управляющих пористым потоком с помощью компьютерных алгоритмов и программных инструментов, чтобы реализовать интеллектуальное динамическое управление и прогнозирование производительности.
АНАЛИЗ И МОДЕЛИРОВАНИЕ ПРОДУКТИВНОСТИ КОЛЛЕКТОРОВ
Специалисты PetroChina Research Institute of Petroleum Exploration & Development и China University of Geosciences разработали механизм заводнения с помощью подхода, основанного на данных.
Сначала используется технология ассимиляции данных для согласования параметров геологической модели при ограничении наблюдаемой динамики скважин. На основе метода автоматической идентификации потоковых отношений между инжекторами и добывающими скважинами в блоке разрабатываются потоковые отношения между слоями нагнетания и добычи. С помощью технологии многослойного и разнонаправленного разделения добычи рассчитывается добыча жидкости и нефти добытчиками в разных слоях и направлениях и получаются количественные показатели эффекта закачки воды. Затем применяются алгоритмы машинного обучения для оценки эффективности закачки воды в различные пласты скважин и определения направления корректировки закачки воды. Наконец, алгоритм роя частиц используется для оптимизации детального плана закачки воды и прогнозирования добычи. Этот метод и процедура в полной мере используют автоматизацию и интеллектуальные возможности алгоритмов машинного обучения, основанных на данных. Метод был использован для подбора данных по сложному блочному пласту в восточном Китае, при этом коэффициент подбора составил 85%. Суммарная добыча нефти в данном блоке за 12 месяцев после оптимизации на 8,2% выше, чем до нее.
Специалисты ведущего университета Китая в нефтегазовой отрасли Southwest Petroleum University, расположенного в городе Chengdu, разработали подходы к вероятностному моделированию заводнения в карбонатных коллекторах, используя метод кластеризации потоков для выделения потоков с различной способностью к движению водной фазы, а затем выделили потоки между парами нагнетательных и добывающих скважин, и таким образом предложили метод идентификации поля течения по результатам моделирования обтекания.
Ученые PetroChina Research Institute of Petroleum Exploration & Development прогнозируют добычу нефти зрелых наземных месторождений, разрабатываемых с помощью закачки воды или пара нагнетанием, извлекая скрытые закономерности и потенциальные взаимосвязи из больших объемов исторических данных и используя два алгоритма машинного обучения, а именно — линейную регрессию и рекуррентную нейронную сеть. При таком подходе не требуется ни геологическая модель, ни численное моделирование пласта. Нужны лишь история закачки, добыча и количество добывающих скважин — вот и все исходные данные. Важно отметить, что такой подход отражает тенденцию десятилетней давности. Существует множество подобных проектов, не вышедших в масштабирование, в том числе и в России. Причиной является крайняя чувствительность модели к качеству исходных данных (расходы, дебиты и давления). В отличие от работы на ретроспективных данных, перенос модели на текущие параметры работы сектора пласта не обеспечивает согласованность и полноту данных для качественного результата.
ИНТЕГРИРОВАННОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ АНАЛИЗА
В мире существует несколько программных пакетов для комплексного анализа и прогнозирования эксплуатационных характеристик пластов, включая Eclipse и INTERSECT Schlumberger, VIP (для численного моделирования пласта) компании Landmark, tNavigator российской компании RFD. Все эти программные пакеты используют машинное обучение, оптимизацию и другие технологии искусственного интеллекта для автоматического подбора истории, чтобы ускорить скорость моделирования, тем самым повышая интеллектуальный уровень программного обеспечения.
В Китае HiSim, который был независимо разработан Research Institute of Petroleum Exploration and Development и PetroChina, быстро интегрировал глубокое машинное обучение и другие технологии искусственного интеллекта для дальнейшего повышения эффективности моделирования и интеллектуального уровня.
Программное обеспечение для анализа пластов IRes, разработанное на основе вычислительной геометрии, морфологии, оптимизации и других методологий, позволяет в режиме реального времени осуществлять мониторинг и интеллектуальное управление зональной закачкой и зональной добычей в процессе заводнения.
